論文の概要: Accelerated Aggregated D-Optimal Designs for Estimating Main Effects in Black-Box Models

• arxiv url: http://arxiv.org/abs/2510.08465v1
• Date: Thu, 09 Oct 2025 17:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.228658
• Title: Accelerated Aggregated D-Optimal Designs for Estimating Main Effects in Black-Box Models
• Title（参考訳）: ブラックボックスモデルにおける主効果推定のための加速Aggregated D-Optimal Designs
• Authors: Chih-Yu Chang, Ming-Chung Chang,
• Abstract要約: 我々は、$textbfA$ccelerated $textbfA$ggregated $textbfD$esignsをベースとした、$textbfE$stimatorであるA2D2Eを提案する。 我々は収束と分散の低減を含む理論的保証を確立し、広範囲なシミュレーションを通してA2D2Eを検証する。
• 参考スコア（独自算出の注目度）: 3.093890460224435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in supervised learning have driven growing interest in explaining black-box models, particularly by estimating the effects of input variables on model predictions. However, existing approaches often face key limitations, including poor scalability, sensitivity to out-of-distribution sampling, and instability under correlated features. To address these issues, we propose A2D2E, an $\textbf{E}$stimator based on $\textbf{A}$ccelerated $\textbf{A}$ggregated $\textbf{D}$-Optimal $\textbf{D}$esigns. Our method leverages principled experimental design to improve efficiency and robustness in main effect estimation. We establish theoretical guarantees, including convergence and variance reduction, and validate A2D2E through extensive simulations. We further provide the potential of the proposed method with a case study on real data and applications in language models. The code to reproduce the results can be found at https://github.com/cchihyu/A2D2E.
• Abstract（参考訳）: 教師あり学習の最近の進歩は、特に入力変数がモデル予測に与える影響を推定することによって、ブラックボックスモデルの説明への関心が高まっている。 しかし、既存のアプローチはスケーラビリティの低さ、配布外サンプリングへの感受性、関連する機能の下での不安定さなど、重要な制限に直面していることが多い。 これらの問題に対処するために、$\textbf{A}$ccelerated $\textbf{A}$ggregated $\textbf{D}$-Optimal $\textbf{D}$esignsに基づく$\textbf{E}$stimatorであるA2D2Eを提案する。 本手法は, 主効果推定における効率とロバスト性を向上させるために, 原理的実験設計を利用する。 我々は収束と分散の低減を含む理論的保証を確立し、広範囲なシミュレーションを通してA2D2Eを検証する。 さらに,言語モデルにおける実データと応用のケーススタディにより,提案手法の可能性について述べる。 結果を再現するコードはhttps://github.com/cchihyu/A2D2Eで見ることができる。

関連論文リスト

• ARISE: An Adaptive Resolution-Aware Metric for Test-Time Scaling Evaluation in Large Reasoning Models [102.4511331368587]
  ARISE(Adaptive Resolution-Aware Scaling Evaluation)は、大規模推論モデルの試験時間スケーリングの有効性を評価するために設計された新しい尺度である。 我々は、様々な領域にわたる最先端の推論モデルを評価する包括的な実験を行う。
  論文  参考訳（メタデータ） (2025-10-07T15:10:51Z)
• Towards Model Resistant to Transferable Adversarial Examples via Trigger Activation [95.3977252782181]
  知覚不能な摂動によって特徴づけられる敵対的な例は、彼らの予測を誤解させることで、ディープニューラルネットワークに重大な脅威をもたらす。 本稿では,移動可能な敵例(TAE)に対して,より効率的かつ効果的に堅牢性を高めることを目的とした,新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-04-20T09:07:10Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• SimAD: A Simple Dissimilarity-based Approach for Time Series Anomaly Detection [23.684577046512747]
  私たちは、$textbfSim$ple dissimilarity-based approach for time series $textbfA$nomaly $textbfD$etection($textbfSimAD$)を紹介します。 SimADは最初、拡張時間ウィンドウを処理できるパッチベースの機能抽出器を組み込んでおり、通常の動作パターンを完全に統合するためにEmbedPatchエンコーダを使用している。 次に,SimADにおけるContrastFusionモジュールの設計を行い,異常検出のロバスト性を高める。
  論文  参考訳（メタデータ） (2024-05-18T09:37:04Z)
• Efficient Epistemic Uncertainty Estimation in Regression Ensemble Models Using Pairwise-Distance Estimators [12.460684753030899]
  ペアワイズ距離推定器(PaiDEs)はエントロピー上の境界を確立する。 サンプルベースのモンテカルロ推定器とは異なり、PaiDEは最大100倍の速度でてんかんの不確実性を推定する顕著な能力を示す。 我々は,既存の能動学習手法と比較し,高次元回帰タスクにおいて,我々のアプローチが優れていることを見出した。
  論文  参考訳（メタデータ） (2023-08-25T17:13:42Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Inference in Bayesian Additive Vector Autoregressive Tree Models [0.0]
  本稿では,Vector Autoregressive(VAR)モデルとBayesian Additive regression Tree(BART)モデルを組み合わせることを提案する。 得られたBAVARTモデルは、研究者から多くを入力することなく、任意の非線形関係をキャプチャすることができる。 我々は、米国の金利構造とユーロ圏経済という2つのデータセットに適用する。
  論文  参考訳（メタデータ） (2020-06-29T19:37:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。